云计算是存储和分析大数据的关键推动力，这已成为制造企业的共识。即使在几年前，如此庞大的数据似乎还是无法想象的。由于很多企业想通过更好地利用财务、客户、供应链和运营数据，来提高运营效率并创建新的业务模式，从而完成其数字化转型战略，所以理解这点很重要。
现在，如果生产制造企业的过程工程师还没有使用基于云的分析工具，那很有可能其它部门已经在使用。例如，人事部门正在使用软件来分析员工数据，销售和市场部门的分析人员可能正在研究对特定产品和服务的需求。尽管这些程序被认为是生产或商业智能应用，但它们是大多数公司基于云的分析的切入点。
为了实施数字化转型策略，基于云的分析技术（即应用程序、工具和技术部署在云端而不是在本地部署）的兴起，使企业能够快速获得数据洞察力。由于云计算资源具有几乎无限的可扩展性，可以迅速洞察更多不同类型的数据，从而简化该过程。这使员工能够近乎实时地解决越来越多的复杂业务挑战。
定义基于云的分析
基于云的分析是一个广义术语，指的是多层计算功能。首先是底层的云基础设施，即操作系统和硬件层，这是在云中托管数据和应用所需的。在该基础设施之上是数据管理层，在云服务或数据湖中，存储着各种类型的数据，包括结构化和非结构化的文本数据、视频数据和流式物联网数据。分析层的应用程序利用这些数据进行计算，为可视化层提供趋势、报告、仪表盘和其他见解所需的信息。
传统上，制造业中的分析是在工厂内部完成的，将历史数据和电子表格相结合，结果可用于工厂的临时诊断、预测或运行仪表板。但是随着基于云的分析的优势的出现，这种情况正在发生变化。
探索新型分析的能力
部署在云中的应用程序，受益于云的核心功能。首先是云的租赁模式与硬件和基础架构相关的资本成本。企业的信息技术（IT）部门，不必再购买和维护昂贵的服务器来托管这些应用程序，从而转变为按需付费的模式，可以按需分配计算资源。
举个例子：一家网上商店，在出现云之前，该零售商必须购买足够的服务器来处理网站流量，以应对高峰时期的“爆炸性”需求，但在当年剩余的时间里，不得不保持闲置状态。
在工业环境中，主题专家（SME）利用新的分析工具来加强对运营数据的了解，因此需要更大的灵活性。主题专家可能希望分析新的数据源，例如运营数据和情境数据，企业可能需要向更多的主题专家和其他用户提供分析工具，以便更好地进行协作和决策。
图1：云使数据可用于高级分析应用程序中的机器学习算法。本文图片来源：Seeq
采用云的另一个驱动因素，是探索新型分析的能力，例如将历史和接近实时的过程数据用于机器学习（图1）。很多制造商希望利用这些以及其它高级功能来提高产品质量，预测最佳维护时段以防止计划外停机，但它们并不想在其实时控制系统中运行机器学习模型。将运营数据复制到云后，即可用于机器学习，从而能够探索新的分析模型，而又不会影响源生产数据或依赖该数据的任何现有应用程序。
基于云的分析可以轻松打破数据孤岛，这样无论数据来自哪里，用户都可以访问和连接数据。一旦这些孤岛通过云连接起来，主题专家和其他用户便可以将分析扩展到全球各地，并创建全球运营报告，以确保实现最佳的业务决策（图2）。
图2：不同部门的员工都可以在全球范围内访问基于云的数据和分析。
云分析入门
实施基于云的分析时，请务必从最终应用开始。很多能源和制造企业经常花费大量的时间规划，如何将数据和应用程序迁移到云中，但在数据迁移完成后，却又会问：“现在该怎么办？”。在云端数据湖中移动或聚合数据，并不能使其更有价值；这只是实施全面数据分析策略的一个步骤。
避免此结果的最可靠方法，是确保主题专家尽早参与到分析项目中去。只有那些拥有深厚的过程专业知识，并了解在更广泛的运行过程中各个部门独特影响的专业人员，才能确保该数据带来洞察力和生产力。为主题专家提供的相关性更强、更易于使用、更灵活的分析应用程序越多，实现投资回报就越快。
在运营数据和云计算模型中要注意的一点是，IT团队必须抵制住一种诱惑，在将云分析应用程序连接到数据之前，不要汇总云中的过程数据或应用业务规则。汇总数据时，没有资产或过程知识的人，会预先猜测主题专家可能会感兴趣的事物，这可能会减少其潜在影响。最佳实践是将所有数据以其原始格式存储，以便主题专家在分析时就修改哪里以及如何修改做出决策（例如，数据清理以及访问任何数据集以进行调查和模型开发）。
连接新的数据源
一家拥有50多个运营站点的能源公司，分布在一个地理上非常广阔的区域范围内。最初，该公司在某个站点聘用6名工程师，成功地实施了基于云的分析。这些工程师一开始确定了3个用例：资产完整性监视和性能趋势、预测性维护和生产预测。
在随后的90天里，该团队扩展到10多个站点的50多名工程师。他们使用这些用例，通过共享的云部署和协作功能来连接新的数据源。这释放了工程师的创造力，使他们可以找到更多用例，来获得洞察并改善资产可用性和生产效率（图3）。
图3：主题专家可使用Seeq直接与感兴趣的数据进行交互并获得洞察力。
从小规模应用开始试点，并利用云来快速扩展分析，使得项目运营者可以衡量业务影响，建立业务案例以吸引更多用户和站点参与。
下一步，该公司计划从远程站点连接其它物联网数据，需要牢记两个关键因素，即网络延迟和分析性能。用户不会使用性能低下和延迟过多的笨拙分析工具，因此必须考虑这些因素。在实施云之前，这些远程站点的报告一般是离线手动完成的。
为了解决这些问题，该公司正在使用具有边缘分析功能的混合云方法。该方法是在边缘或数据源附近配置计算和分析资源，并在网络可用时将结果传输到云端。
制造业仍处于基于云的分析的初始阶段，但学习热潮正在兴起。企业必须将主题专家放在任何分析工作的中心，并且可以扩大和缩小云引用的规模，来连接数据孤岛。必须保持原始数据的完整，以确保分析和洞察具有灵活性。还必须确保团队和站点之间的协作，以实现投资回报并扩大潜在的业务影响。将适合的高级分析软件与大多数企业使用的云平台相结合，将有助于提高运营效率。 （作者：Megan Buntain）